deepnetworks

Ez a tanfolyamsorozat a fenti útvonalat 12 darab tanfolyamra bontja szét. A helyes sorrend követését a tanfolyam elején jelzett számok segítik. Az öszes tanfolyam megjelenítéséhez kattints lejebb a további tanfolyam gombra. Az egyes tanfolyamkra kattintva pedig további részleteket tudhatsz meg!

A mai modern Mesterséges Intelligencia szolgáltatások alapja a Neurális háló. Ezek tömbök, mátrixok halmaza. Ha ezen mátrixok értékeit helyesen állítjuk be, képesek leszünk például képfelismerésre. Az értékek beállítása nem triviális. Ehhez úgynevezett "backpropagation" technikát használunk. Ez pedig a láncszabályra és a deriválásra épül. A legtöbb tanfolyam ezeknél a részeknél, elküld valahova, hogy máshol majd biztosan elmagyarázzák, vagy egy már meglévő kódsort adnak a kezedbe, amit persze értelmezni nem könnyű. Ezt tetézik még a sorrend ésszerűtlen elrendezésével.
A deep learning tanfolyam sorozat a helyes sorrendben végig vezet az összes felmerülő akadályon és soha nem ad kész kódsort, mindent megírunk mi magunk. Ugyanis a kódsor nem fentről lefelé születik, az inkább fejlődik és középről indulva millió refaktorálás után válik publikálhatóvá, végleges persze sohasem lesz. A Loss függvény, a Cross-Entropy vagy SoftMax + Negative Log-likelihood és Relu nem egy érthetetlen generált adatokat tartalmazó példában kerül elmagyarázásra, hanem ahol a tényleges helye van. Éppen így az overfitting, a kezdő értékek generálása (Xavier, Kaiming He) és ezek milyen kapcsolatban vannak a Sigmoid, ReLU és a vanishing gradient problémával. Mi az a gradiens egyátalán?